Algolytics
Algolytics helps automate business decisions and processes with Machine Learning, AI & Data Science.
Tworzymy i dostarczamy rozwiązania z zakresu zaawansowanej analityki biznesowej na polskim rynku. Firma rozwija autorskie oprogramowanie do analiz predykcyjnych, zarządzania relacjami z klientem, zarządzania ryzykiem oraz Data Mining.
28/08/2026
W 2025 r. liczba restrukturyzacji i upadłości na 1 000 aktywnych firm różniła się między sektorami niemal 8-krotnie. Na czele górnictwo (18,1), przed przemysłem (12,6) i transportem (9,7). Najspokojniej było w administracji publicznej i energetyce - po 2,3.
Restrukturyzacje wzrosły r/r w 14 z 18 sektorów. Najmocniej przybyło ich w gospodarce wodno-odpadowej (+90%), HoReCa (+72%), nieruchomościach (+61%) i budownictwie (+52%).
Upadłości rozłożyły się mniej równomiernie - wzrosły w 10 sektorach, spadły w 7, a w IT pozostały bez zmian. Najsilniejsze wzrosty odnotowały górnictwo, w którym upadłości zwiększyły się czterokrotnie (+300%), zdrowie (+79%), rolnictwo (+75%) i edukacja (+73%). Najmocniej spadły natomiast w gospodarce wodno-odpadowej (-38%), finansach (-14%) i administracji publicznej (-11%).
Wniosek o restrukturyzację czy ogłoszenie upadłości to publiczne zdarzenia, które warto wziąć pod uwagę przy ocenie kondycji kontrahenta - łączymy je z danymi finansowymi i pozostałymi danymi rejestrowymi w naszej usłudze weryfikacji kontrahentów.
Pełny zbiór danych stojący za naszymi modelami scoringowymi - link w pierwszym komentarzu.
21/08/2026
Real-time personalization usually means stitching together separate tools and integrations, plus a whole project just to get a model scoring live.
We showed it on one low-code platform - live, end to end.
Tracker feeds live features → features build a customer profile via API → the profile drives a real-time prediction (like purchase probability). Same feature definition for training and serving.
The payoff: fewer licenses, a smaller team, faster decisions - on first-party data you own. No third-party cookies. No walled gardens.
Missed it live? The full 60-min recording is now on YouTube.
🎥 Watch it end to end, from tracker to prediction. Link in the first comment.
20/08/2026
Dobrze zapisany adres nie zawsze jest dobrze zlokalizowany.
Porównaliśmy 10 usług standaryzacji i geokodowania na 2 500 rzeczywistych adresach z przesyłek kurierskich i sprawdziliśmy, w ilu rekordach usługa jednocześnie trafia co do lokalizacji (błąd poniżej 50 m) i standaryzuje w pełni poprawnie.
Rozjazd jest spory. Najlepsze usługi lokalne osiągają tu 97,5% i 95,6%, a globalni dostawcy wyraźnie niżej, na przykład Google około 64%, a Azure i TomTom około 47%. Ciekawym przypadkiem jest Esri: w samym geokodowaniu to jedna z dwóch najlepszych usług w badaniu (indeks jakości geokodowania 0,98), a na spójności adres-punkt wypada najsłabiej ze wszystkich, tylko 40,5%.
Świetny punkt na mapie potrafi więc iść w parze z zapisem, którego bez ręcznych poprawek nie połączysz automatycznie z danymi z innych systemów.
📄 Przeczytaj artykuł i dowiedz się, które usługi osiągają najwyższą jakość w obu wymiarach. Link w pierwszym komentarzu.
13/08/2026
W jednych gminach dane adresowe z OpenStreetMap są w niemal 100% poprawne, w innych nie zgadza się ani jeden adres. Ocena przydatności danych z OSM na podstawie średniej ogólnopolskiej mija się z celem.
Skąd mamy te dane? Porównaliśmy 8,4 mln adresów z OSM z naszym referencyjnym słownikiem adresowym w 4 wymiarach: kompletność, poprawność, aktualność i heterogeniczność.
Tak duże różnice w jakości między gminami to realne ryzyko dla procesów biznesowych. Ponadto niemal 45% rekordów w OSM nie było aktualizowanych po 2019 roku - zmieniają je wybiórczo wolontariusze. Część adresów wciąż opisuje stan, który już nie obowiązuje.
📄 Przeczytaj pełen artykuł i dowiedz się, ile kosztuje doprowadzenie danych z OSM do jakości produkcyjnej. Link w pierwszym komentarzu.
11/08/2026
Watch a click on your site turn into a live purchase-probability prediction, served through an API while the visitor is still on the page. In this 60-minute webinar we walk through a working case - how we built it and how it runs.
It runs on data you own - your own site events - not on audiences you rent from platforms like Google, Meta, or Amazon. The profile, the model, and the prediction stay yours.
You act on that prediction in the same session: a recommendation, an offer, or a change in what the page shows next.
We'll also show what decides whether this holds up in production: keeping the profile accurate to the millisecond and the API fast under peak traffic.
Marcin Woch, our CEO, walks through it end to end. For teams running high-traffic stores, marketplaces, or subscription sites - the ones that don't want to depend on third-party cookies or walled gardens.
🗓️ Wednesday, August 12, 11:00 (CEST) · online · free
📥 See a full real-time case walked through live, from tracker to prediction. Registration link in the first comment.
Miesiące. Tyle potrafi zająć wdrożenie modelu ML na produkcję, bo zwykle wiąże się ono z pracą DevOps, kodem wdrożeniowym i osobnym kontenerem na każdy model.
MLOps ma to skrócić do dni. To praktyki wdrażania modeli ML na produkcję szybko, na dużą skalę i powtarzalnie.
W ten właśnie sposób działa nasza platforma MLOps, ScoringOne. Scenariusz decyzyjny składasz z bloków i publikujesz jako REST API nawet w kilka dni, bez angażowania działu IT.
Cały scoring może działać w jednej lekkiej instancji JVM, ponad 1 000 zapytań na sekundę na węzeł, co daje jedno z najniższych TCO wśród platform MLOps. Wersjonowanie i rollback pozwalają wycofać nieudaną zmianę modelu na produkcji jednym kliknięciem.
🎥 Obejrzyj całe wystąpienie o praktycznym MLOps. Link do webinaru w pierwszym komentarzu.
05/08/2026
Dane adresowe z OpenStreetMap pobierzesz za darmo. Natomiast doprowadzenie ich do jakości produkcyjnego słownika adresowego i utrzymanie kosztuje 156 900 zł w ciągu pięciu lat.
Porównaliśmy 8,4 mln rekordów adresowych z OSM z referencyjnym słownikiem Algolytics, używanym produkcyjnie w telco, finansach i logistyce, w trzech wymiarach.
◾ Kompletność: OSM zawiera o 410 tys. adresów mniej niż nasz słownik. Ponad 2 mln rekordów wymaga uzupełnienia lub poprawy.
◾ Poprawność: pola zgadzają się w 82,5% przypadków, ale z identyfikatorami TERYT spada to do 36,2%.
◾ Aktualność: 45% rekordów adresowych nie zmieniło się od 2019 r., bo wolontariusze aktualizują je wybiórczo.
O wartości słownika adresowego decyduje nie cena pobrania, lecz całkowity koszt osiągnięcia jakości produkcyjnej i utrzymania jej w czasie.
📥 Pobierz pełny raport: metodyka, statystyki regionalne i wyliczenie TCO na 5 lat. Link w pierwszym komentarzu.
Serving an ML model the standard way means one container per model, each with its own Python runtime and full library stack, roughly 3.9 GB of RAM per worker.
To scale, you copy that container. Same runtime, same libraries, over and over: redundant components, higher memory and CPU, and communication overhead between workers. The Python GIL limits multithreading in one worker, so the only option is adding more, plus a load balancer to route between them.
This webinar clip shows that architecture and why scaling it gets expensive.
ScoringOne, our MLOps layer, works differently. The whole scoring runs in one lightweight JVM instance scaled vertically, not a container farm. Models run as PMML or ONNX without heavy libraries, so RAM and CPU stay low and one node handles over 1,000 requests per second in real time.
Less duplicated infrastructure per model, lower total cost of ownership.
▶️ See the full comparison in the webinar. Link to the full webinar in the first comment.
A model going to production usually passes through several different roles: a data engineer, a DevOps engineer, an MLOps engineer, a data scientist, and often more. Each works in a different tool, and those tools barely connect.
The barrier is rarely the model itself. It's everything around it: ETL pipelines, container deployments, security, network, installation, infrastructure. Every role adds a handoff, and every handoff adds time before anything runs in production.
This clip from our webinar shows where that effort goes, and why a set of disconnected tools slows ML delivery.
https://eu1.hubs.ly/H0xdRz00, our low-code MLOps layer, brings these functions into one platform. There's no separate DevOps queue and no manual security or installation step. One person who knows the business goal can build the model, handle feature engineering and integration, and deploy it to production.
Fewer roles and fewer handoffs mean a smaller team and a faster path from idea to a working model.
▶️ Watch the full breakdown in the webinar. Link to the full webinar in the first comment.
21/07/2026
Can you store a geocoded address and reuse it - or do you pay for the same lookup twice? We tested 10 standardization and geocoding services to find out.
Google limits caching of coordinates to 30 days. Mapbox lets you store only results marked Permanent, not Temporary. If you can't store the geocode, every reuse is another API call - a per-lookup cost, and a process that fails when the provider's service is down.
The second issue is whether the address can be matched across systems at all - and that comes down to TERYT (Poland's official territorial register, unique nationwide and independent of any vendor). Only Data Quality and Locit return TERYT identifiers; the other 8 services keep partial name matching you can't reliably join on.
🔍 See how all 10 services handle storage, TERYT and point identifiers before you sign. Link to the article in the first comment.
Kliknij tutaj, aby odebrać Sponsorowane Ogłoszenie.
Kategoria
Skontaktuj się z firmę
Strona Internetowa
Adres
Ulica Przeskok 2
Warsaw
00-032
Godziny Otwarcia
| Poniedziałek | 09:00 - 17:00 |
| Wtorek | 09:00 - 17:00 |
| Środa | 09:00 - 17:00 |
| Czwartek | 09:00 - 17:00 |
| Piątek | 09:00 - 17:00 |